REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTRE DE L’ENSEIGNEMENT SUPERIEUR

ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITE MENTOURI DE CONSTANTINE

FACULTE DES SCIENCES DE L’INGENIEUR
DEPARTEMENT D’ELECTRONIQUE

N° d’Ordre :…………..
Série :………………...

MEMOIRE DE MAGISTER

Présenté Par

MR. GUITANI Issam

Option : Contrôle des systèmes

THEME

Commande Adaptative Neuronale par Retour

de Sortie des Systèmes Non Linéaires

Soutenu le : .../…/2007

Examiné Par le Jury :

Président : F. SOLTANI Professeur Univ de Mentouri Constantine

Rapporteur : K. BELARBI Professeur Univ de Mentouri Constantine
Examinateurs: S. FILALI Professeur Univ de Mentouri Constantine
ed
: M .Boucherma Maître de conférence Univ de Mentouri Constantine

Année 2007
  ‫א‬‫א‬‫א‬
 
 

 ‫א‬
 
 Remerciements

Je remercie Allah tout puissant qui m'a donné la force et la volonté pour pouvoir
finir ce mémoire de magister

Je tiens à remercier profondément mon encadreur : le professeur Khaled

BELARBI pour la confiance qu’il m’a accordée, ses encouragements, et ses précieux
conseils.

J’exprime ma gratitude envers Mr. Faouzi SOLTANI professeur à l’université de

Mentouri de Constantine de m’avoir fait l’honneur d’accepter de présider le jury,

Je tiens à remercier Mr. Mohamed BOUCHERMA maître de conférence à

l’université Mentouri de Constantine, d’avoir accepter de juger ce travail en tant
qu’examinateur,

Je remercie le Mr. Salim FILALI, Professeur à l’université Mentouri de

Constantine, d’avoir accepter faire patrie du jury

Je tiens à remercier, tous ceux qui m'ont enseigné durant toutes mes études et en
particulier mes enseignants à l’université de Constantine
 DEDICACES

Je dédie ce mémoire

A mes chers parents pour tout les sacrifices consentis, pour leur soutient durant toute mes
années d'études. Pour leur bonté et leur amour.

A Khaoula

A ma sœurs Ikbel et son mari Chawki et la petite Allae

A mes deux frères Adel et Achour

A toute ma grande famille.

A mes collègues de la promotion et mes amis.

Guitani Issam
 SOMMAIRE

Chapitre I

Introduction générale........................................................................................................ 1

Chapitre II

Les réseaux de neurones dans la commande des systèmes .............................................. 3

I Introduction……….……………………………………………………………………3
II Eléments de base………………………………………………………………………3
II.1 Structure de base ................................................................................................ 3
II.2 Fonction d'activation.......................................................................................... 4
II.3 C’est quoi un réseau de neurones ?.................................................................... 5
II.4 L'apprentissage des réseaux de neurones........................................................... 6
II.5 Algorithme d'apprentissage................................................................................ 6
III Les réseaux de neurones dans la commande des systèmes……………………………7
III .1 La commande inverse...................................................................................... 8
III.2 Commande basée sur l’erreur de sortie ............................................................ 9
III. 3 Commande adaptative neuronale................................................................... 10
III.3.1 La commande adaptative neuronale indirecte ......................................... 11
III.3.2 La commande adaptative neuronale directe ............................................ 12

Chapitre III

Commande adaptative neuronale basée sur un estimateur de l’erreur de commande .... 13

I Introduction……………………………………………………………………………13
II. Structure de base de la commande adaptative neuronale à retour d’état ……………13
II.1 Les réseaux de neurones ................................................................................. 14
II.2 Le système à inférence floue............................................................................ 15
III Structure de la commande adaptative neuronale à retour de sortie…………………18
III.1 La structure de base ........................................................................................ 18
III.2 Les observateurs non linéaires........................................................................ 19
Chapitre IV

Résultats de simulation................................................................................................... 21

I Introduction……………………………………………………………………………21
II les résultats de simulation…………………………………………………………….21
II.1 Exemple 1: le pendule inverse ......................................................................... 21
a) Retour d’état ................................................................................................... 22
b) Le retour de sortie .......................................................................................... 23
c) Résultats ......................................................................................................... 23
II 2 Exemple 2: Le CSTR ....................................................................................... 30
a)Retour de d’état ............................................................................................... 31
b) Le retour de sortie .......................................................................................... 32
c) Résultats ......................................................................................................... 32

Chapitre V

Conclusion générale ....................................................................................................... 39

Annexe A

Systèmes d’inférence floue............................................................................................. 40

REFERENCES ............................................................................................................... 42
 LISTE DES FIGURES

Figure II.1 Le neurone formèle 4

Figure II.2 Différentes fonctions d'activation 5
Figure II.3 Principe de la commande neuronale inverse 8
Figure II.4 Apprentissage de la commande inverse 9
Figure II.5 Commande à modèle de référence 9
Figure II.6 Structure de commande neuronale avec émulateur 10
Figure II.7 Schéma de commande indirecte basée sur la linéarisation par retour 12
Figure III.1 Structure de commande adaptative à retour d’état 14
Figure III.2 Les fonctions d’appartenance utilisées dans le FIS 18
Figure III.3 Structure de commande adaptative à retour de sortie 19
Figure IV.1 le pendule inverse 21
Figure IV.2 la position du pendule par retour d'état 24
Figure IV.3 Le signal de commande de pendule pour le retour d'état 24
Figure IV.4 L'erreur estimée par le FIS pour le retour d'état 25
Figure IV.5 les poids du RN pour le retour d'état 25
Figure IV.6 L'erreur filtrée es pour le retour d'état 26
Figure IV.7 la position du pendule par retour de sortie 27
Figure IV. 8 Le signal de commande de pendule pour le retour de sortie 27
Figure IV.9 L'erreur estimée par le FIS pour le retour de sortie 28
Figure IV.10 Les poids du RN pour le retour de sortie 28
Figure IV.11 L'erreur filtrée pour le retour de sortie 29
Figure IV.12 La sortie de l’observateur non linéaire 29
Figure IV.13 Le CSTR 30
Figure IV.14 concentration d'effluent dans le CSTR par retour d'état 33
Figure IV.15 Le signal de commande (débit du refroidissant) pour le retour d'état 33
Figure IV.16 L'erreur estimée par le FIS pour le retour d'état 34
Figure IV.17 Les poids du RN pour le retour d'état 34
Figure IV.18 L'erreur filtrée es pour le retour d'état 35
Figure IV.19 Concentration d'effluent dans le CSTR par retour de sortie 36
Figure IV.20 Le signal de commande (débit du refroidissant) pour le retour de sortie 36
Figure IV.21 L'erreur estimée par le FIS pour le retour de sortie 37
Figure IV. 22 Les poids du RN pour le retour de sortie 37
Figure IV.23 L'erreur filtrée es pour le retour de sortie 38
Figure IV.24 La sortie de l’observateur non linéaire 38
 Liste des tableaux

Tableau III.1 BR1 16

Tableau III.2 BR2 16
Tableau IV.1 paramètres du CSTR 31
 CHAPITRE I

INTRODUCTION GENERALE
Chapitre I Introduction générale

Chapitre I

Introduction générale

Les réseaux de neurones artificiels ont trouvé une large utilisation dans le
domaine de la commande des systèmes non linéaires. Ceci est dû à leur propriété
d’approximation universelle qui les rend capables d’approximer, avec un degré de
précision arbitraire fixé, n’importe quelle fonction non linéaire [3,6]. Les réseaux à base
de perceptrons multicouches, Multi Layer Perceptrons, MLP, et les fonctions radiales de
base RBF, sont les plus utilisés. Les premières applications des réseaux de neurones en
commande n’étaient pas basées sur des analyses de stabilité rigoureuses. Plus tard,
cependant, la théorie de Lyapunov a été introduite pour calculer des lois adaptatives
garantissant la stabilité du système en boucle fermée. En général, la loi de commande
est exprimée en fonction des non linéarités du modèle du système suivant la méthode de
linéarisation entrée-sortie. Les réseaux de neurones sont, ensuite, utilisés soit pour
approcher directement la loi de commande soit pour approcher les non linéarités
formant ainsi une loi de commande neuronale adaptative. Le modèle non linéaire utilisé
dans ces études satisfait les conditions de linéarisation entrée sortie. Dans tous ces
travaux, le signal erreur utilisé pour l’apprentissage dans les lois d’adaptations est basé
sur l’erreur de poursuite.
Dans ce mémoire, une structure de commande neuronale avec des lois
d’adaptation basée sur le signal erreur de commande est étudiée. Dans ce cas la
fonction à optimiser dépend alors directement des poids. Cependant, le signal de
commande idéale ne pouvant être calculé, il est remplacé par une estimée, cette estimée
sera obtenue par un système d’inférence flou.
Dans le deuxième chapitre, nous présentons les éléments de base et les
principales techniques de la commande à base de réseaux de neurones.

Page 1
Chapitre I Introduction générale

Dans le troisième chapitre, nous introduisons la structure de commande des

systèmes non linéaires basée sur un contrôleur neuronal et un estimateur flou pour deux
cas : le premier cas est une commande par retour d’état le second une commande à
retour de sortie basée sur un observateur. Dans le quatrième chapitre, nous présentons
les résultats de simulation de ces deux stratégies appliquées à deux exemples : la
commande de la position de pendule inverse et la commande de concentration dans un
réacteur chimique.

Page 2
 CHAPITRE II

LES RESEAUX DE NEURONES DANS LA

COMMANDE DES SYSTEMES
Chapitre II Les réseaux de neurones dans la commande des systèmes

Chapitre II

Les réseaux de neurones dans la commande des systèmes

I Introduction:
La recherche sur les réseaux de neurones a connu un développement important
ces dernières années, tant du coté architecture où plusieurs modèles sont proposés, que
du coté algorithmes d’apprentissages utilisés pour entraîner ces réseaux. En effet, ces
travaux de recherche ont montré que les réseaux de neurones sont des approximateurs
universels, ce qui permet de modéliser n’importe quel système non linéaire, et ils sont
principalement, dotés de deux propriétés importantes : l’apprentissage et la
généralisation. Ces travaux de recherche ont donné lieu à des applications trés
intéressantes des réseaux de neurones dans plusieurs domaines, et en particulier le
domaine de la commande des systèmes non linéaires.

II Eléments de base:

II.1 Structure de base:

Le premier modèle du neurone formel date des années quarante. Il été présenté
par Mc Culloch et Pitts. S’inspirant de leurs travaux sur les neurones biologiques ils
ont proposés le modèle suivant:

Page 3
Chapitre II Les réseaux de neurones dans la commande des systèmes

wn+1 seuil

w1
⎧ x1
⎪ yn
signaux⎪ x2 w2 Σ φ(s)
d'entrée⎨ Sortie
⎪ wn
⎪⎩ xn
Unité de Fonction
Les poids sommation d'activation
synaptique

Figure II.1 le neurone formèle

Un neurone formel est une fonction algébrique non linéaire et bornée, dont la
valeur dépend des paramètres appelés poids synaptiques ou poids des connexions.
D’une façon plus générale, un neurone formel est un élément de traitement (opérateur
mathématique) possédant n entées (qui sont les neurones externes ou les sorties des
autres neurones), et une seule sortie. Ce modèle est décrit mathématiquement par les
équations suivantes:
n +1
s = ∑ wi xi
i =1 (1)
y n = ϕ ( s)
Où xi, wi, ϕ et yn sont respectivement, les entrées, les poids synaptiques, la fonction
d'activation et la sortie du neurone.

II.2 Fonction d'activation:

Les fonctions d’activations représentent généralement certaines formes de non
linéarité. L’une des formes de non linéarité la plus simple, et qui est appropriée aux
réseaux discret, est la fonction signe, figure II.2.a. Une autre variante de ce type des non
linéarités est la fonction de Heaviside, figure II.2.b.Pour la majorité des algorithmes
d’apprentissage il est nécessaire d’utiliser des fonctions sigmoïdes différentiables, telles

Page 4
Chapitre II Les réseaux de neurones dans la commande des systèmes

que la fonction sigmoïde unipolaire, figure II.2.c et la fonction sigmoïde bipolaire,

figure II.2.d. La classe, la plus utilisée des fonctions d’activation, dans le domaine de la
modélisation et de la commande des systèmes non linéaires est la fonction sigmoïde
bipolaire.

φ(s) φ(s) φ(s) φ(s)

1 1 1 1
s s s s
1- 1-

a b c d

Figure II.2 Différentes fonctions d'activation

II.3 C’est quoi un réseau de neurones ?

Un réseau de neurone est un ensemble d’éléments de traitement de l’information,
avec une topologie spécifique d’interconnexions (architecteur du réseau) entre ces
éléments et une loi d’apprentissage pour adapter les poids de connexions (poids
synaptiques), il est caractérisé par un parallélisme à gain très fin et à forte connectivité.
Nous entendons par là que dans un réseau de neurones donné, l’information est traitée
par grand nombre de processeurs élémentaires très simples, chacun étant relié à d’autres
processus. Ce processus très simple est un neurone formel désigné ainsi son
fonctionnement s'inspire d'une modélisation des cellules biologiques. Ils sont dotés de
deux propriétés importantes qui sont à l'origine de leur intérêt pratique des domaines
très divers:
• Capacité d'adaptation ou d'apprentissage qui permet au réseau de tenir compte
des nouvelles contraintes ou de nouvelles données du monde extérieur,

Page 5
Chapitre II Les réseaux de neurones dans la commande des systèmes

• Capacité de généralisation qui est son aptitude de donner une réponse

satisfaisante à une entrée qui ne fait pas partie des exemples à partir desquels il
appris.
II.4 L'apprentissage des réseaux de neurones:
L'information que peut acquérir un réseau de neurones est représentée dans les
poids des connexions entre les neurones. L'apprentissage consiste donc à ajuster ces
poids de telle façon que le réseau présente certains comportements désirés. En d'autres
termes, l'apprentissage des réseaux de neurones consiste à ajuster les poids synaptiques
de telle manière que les sorties du réseau soient aussi proches que possible des sorties
désirées. Il existe trois types d'apprentissage:
• L'apprentissage supervisé: pour lequel on dispose de la sortie désirée et qui
consiste à ajuster les poids synaptiques de tel sorte à minimiser l'écart entre la
sortie désirée et la sortie du réseau,
• L'apprentissage non supervisé: pour lequel le réseau de neurones organise lui-
même les entrées qui lui sont présentées de façon à optimiser un critère de
performances donné,
• L'apprentissage par renforcement: pour lequel le réseau de neurones est informé
d'une manière indirecte sur l'effet de son action choisie. Cette action est
renforcée si elle conduit à une amélioration des performances.

II.5 Algorithme d'apprentissage:

L'apprentissage supervisé pour les réseaux de neurones, consiste à adapter les
poids synaptiques de telle manière que l'erreur entre la sortie du réseau et la sortie
désirée soit aussi petite que possible. La plupart des algorithmes d'apprentissage des
réseaux de neurones est basée sur les méthodes du gradient: ils cherchent à minimiser
un critère de la forme suivante:

J=
1 m
∑
2 q =1
(y rq ( Xp ) − y qd ( Xp ) )
2
(2)

Où yrq et y qd sont la sortie du réseau et la sortie désirée pour le vecteur d'entrée Xp.

Cette optimisation se fait d'une manière itérative, en modifiant les poids en fonction du
gradient de la fonction de coût selon la loi d'adaptation suivante:

Page 6
Chapitre II Les réseaux de neurones dans la commande des systèmes

∂J
w lji (k + 1) = w lji (k ) − η (3)
∂w lji

Où
w lji est le poids de la connexion entre le jème neurone de la couche l et le ième neurone de

la couche l-1
i=1,…,n+1 la ième composante du vecteur d'entrée,
j=1,…,m+1 la ième composante du vecteur de sortie,
l=1,…,L l'ordre d'une couche dans le réseau de neurone,
η est une constante positive appelée taux d'apprentissage.
Le gradient est calculé par une méthode spécifique aux réseaux de neurones,
dites méthode de rétro propagation. Dans cette méthode il est possible de calculer le
gradient de la fonction coût en retropropageant l'erreur commise en sortie vers les
couches cachées.

III Les réseaux de neurones dans la commande des systèmes :

Par leur capacité d’approximation universelle, les réseaux de neurones sont bien
adaptés pour la commande des systèmes non linéaires. En effet dans ce cas la fonction
commande est une fonction non linéaire, l’objectif est alors d’approximer cette fonction
par les RNA (réseaux de neurones artificiels). Cette approximation est réalisée par
apprentissage des poids du réseau, l’apprentissage peut se faire hors ligne ou en ligne :
• Dans le cas de hors ligne, l’apprentissage est basé sur un ensemble de données
définissant la fonction commande,
• Dans le cas de en ligne, la mise à jour des poids est essentiellement adaptative.
Il existe alors plusieurs algorithmes de commande par RNA basés sur ces deux
structures, principalement on peut distinguer:
¾ La commande inverse (basée sur l’erreur de commande),
¾ Commande basée sur l’erreur de sortie (d’état),
¾ Commande adaptative,
¾ Commande basée sur le critique adaptatif (Adaptif Critic).
Dans ce chapitre nous introduisons les trois premières approches.

Page 7
Chapitre II Les réseaux de neurones dans la commande des systèmes

III .1 La commande inverse:

Considérons un système non linéaire avec une entrée u(t) et une sortie y(t)
y(t) peut dépendre de u(t) seulement ou de u(t) et les états précédents de y et/ou u CAD
y(t)=F(u(t)) (4)
Ou
y(t)=F(u(t),u(t-1),u(t-2),…,y(t-1),y(t-2),…)
L’objectif est de faire suivre y(t) une trajectoire de référence yd(t). Le contrôleur idéal
réalise l’égalité : y(t)=yd(t), mathématiquement il doit réaliser l’inverse F-1 de la fonction
F.

U(t)
Yd(t) F-1(.) F(.) Y(t)

Yd(t) F-1(.).F(.) Y(t)

Figure II.3 Principe de la commande neuronale inverse

Le principe de la commande inverse par réseau de neurones consiste à construire

le réseau (en générale MLP) qui approxime la fonction F-1, cette approximation se fait
par apprentissage hors ligne.
Etant donné la fonction F,il faut construire un RNA pour réaliser l’approximation, on
génère une base de données à partir de F. L’objectif de l’apprentissage est de déterminer
la fonction inverse à partir de ces données. A l’instant t, on donne au RNA :
y(t), y(t-1),y(t-2) et on obtient à la sortie ur(t). La mise à jour des poids du réseau est
basée sur la minimisation de l’erreur entre ur(t) et u(t)
2
1 T
J = ∑ [u (t ) − u r (t )] (5)
2 i =1
Structurellement le mécanisme d’apprentissage est donné par la figure II.4.

Page 8
Chapitre II Les réseaux de neurones dans la commande des systèmes

y(t)
ur(t)

u(t) ⊕
ea

Figure II.4 Apprentissage de la commande inverse

Lorsque l’apprentissage est réalisé le réseau peut être utilisé comme contrôleur inverse.
Cette méthode peut être appliquée aux systèmes invariants dans le temps.

III.2 Commande basée sur l’erreur de sortie:

Dans le cas de cette approche, il s’agit de déterminer le contrôleur à RNA qui minimise
l’erreur entre la sortie et la référence. Il s’agit alors fondamentalement d’un
apprentissage en boucle fermée, alors faut il le réaliser en ligne ou hors ligne?. La
structure de l’apprentissage est donnée par la figure II.5.

yra
Modèle de
référence connu
ea

Référence e(t) y(t)

Contrôleur Système
r(t) RNA

Figure II.5 Commande à modèle de référence

L’objectif est d’entraîner le réseau pour trouver les poids qui minimisent
1
J= [ y ra (t ) − y(t )]2 = 1 [ea (t )]2 (6)
2 2

Page 9
 Chapitre II Les réseaux de neurones dans la commande des systèmes

La commande u(t) dépend des poids du réseau, la mise à jour est alors de la forme :
∂J ∂y ∂u
v(t + 1) = v(t ) − α (7)
∂y ∂u ∂v
∂y
Mais on ne connaît pas le Jacobien
∂u
Plusieurs propositions ont été faites pour résoudre le problème du Jacobien, une des
premières a été de créer un émulateur qui modélise le système.

yra
Modèle de
référence connu
ea
émulateur
ym(t)
e(t) y(t)
Contrôleur Système
r(t) RNA

Figure II.6 : Structure de commande neuronale avec émulateur

Cette méthode fonctionne si y m (t ) = y (t ) . Les étapes pour le développement de cette

approche :
¾ Construire le RNA émulateur (à partir des données),
¾ Initialiser hors ligne le contrôleur RNA.

III. 3 Commande adaptative neuronale:

Dans cette stratégie de contrôle, les réseaux de neurones sont introduits pour
construire des systèmes de commande adaptative stable basés sur la théorie de la
stabilité de Lyapunov. Deux classes de méthodes ont été développées: directe et
indirecte:

Page 10
Chapitre II Les réseaux de neurones dans la commande des systèmes

III 3 1 La commande adaptative neuronale indirecte :

Dans la première approche appelée commande adaptative neuronale indirecte,
les réseaux de neurones sont utilisés pour approximer les non linéarités du système non
linéaire [1,2 ,8,10,11]. Une des méthodes qui a connu le plus de développement [1,2
8 ,9] est basée sur la méthode de linéarisation par retour (feedback linearization) [7]
avec un système non linéaire sous forme affine :
⎧⎪ •
x (t ) = f ( x ) + g ( x )u (t ) (8)
⎨
⎪⎩ y (t ) = h ( x )

La loi de commande linéarisante est de la forme :

v − f ( x)
u (t ) = (9)
g ( x)
Lorsque les fonctions non linéaires f(x) et g(x) sont inconnues, deux réseaux de
neurones sont utilisés pour obtenir leur approximations fˆ ( x) et gˆ ( x) et construire la
commande u(t) approximée .
Dans cette approche se pose cependant un problème de singularité de la commande
lorsque gˆ ( x) = 0 . Plusieurs techniques ont été proposées pour éviter cette singularité, la
plus intéressante étant la commande indirecte ci-dessous.

Page 11
Chapitre II Les réseaux de neurones dans la commande des systèmes

Calcul de la u Système y(t)

r(t) commande

Adaptation
fˆ ( x)

gˆ ( x)

Figure II.7 Schéma de commande indirecte basée sur la linéarisation par retour

III 3 2 La commande adaptative neuronale directe

La deuxième approche appelée commande adaptative directe le seul réseau de
neurones est introduit pour approximer directement la loi de commande idéale non
constructible u(t) ci-dessus [4,5, 12]. Dans ces méthodes le signal d’adaptation est
l’erreur de poursuite. Il faut noter cependant que les développements mathématiques sont
plus élaborés pour cette méthode. Par exemple la méthode proposée dans [12] consiste à
approximer la loi :
1 g& ( x)
u ( x) = − ( f ( x) + v) + 2 es (10)
g ( x) g ( x) 2
n
où es = ∑ λi .ei avec e = [e1 , e2 ,.., en ] et ei = xi − x di −1
T
i=1,…n
i =1

n −1
et v = − y d( n ) + ∑ λi ei
i =1

x d est un signal de référence borné et supposé n fois dérivable. Les coefficients λi sont

choisit tel que le polynôme S n + λ n −1 S n −1 + ... + λ1 a tous ses racines strictement dans le

demi plan complexe gauche et λ n = 1 donc e (t ) → 0 tan que e s → 0 .

Page 12
 CHAPITRE III

COMMANDE ADAPTATIVE NEURONALE

BASEE SUR UN ESTIMATEUR DE L’ERREUR
DE COMMANDE
Chapitre III Commande adaptative neuronale basée sur un estimateur de l’erreur de
commande

Chapitre III

Commande adaptative neuronale basée sur un estimateur de

l’erreur de commande

I Introduction
Dans ce chapitre, nous introduisons la structure de commande neuronale basée sur un
signal d’adaptation utilisant une estimation de l’erreur de commande. Cette estimation est
délivrée par un système d’inférence flou. Deux structures de commande seront présentées dans
ce chapitre. La première structure est une commande par retour d'état, la deuxième est une
commande par retour de sortie utilisant un observateur d’état non linéaire. Ces deux structures
sont basées sur deux éléments qui seront détaillés dans ce chapitre : le réseau de neurones
contrôleur et l’estimateur flou de l’erreur de commande.

II. Structure de base de la commande adaptative neuronale à retour d’état :

Dans ce paragraphe nous introduisons un contrôleur adaptatif u (t ) a retour d’état pour
un système non linéaire mono variable sous la forme générale :
⎧ x& = f ( x, u )
⎨ (1)
⎩ y = h( x )
x = [x1 , x 2 ,..., x n ] ∈ R n est le vecteur d’état supposé complètement disponible.
T

u, y ∈ R sont l’entrée et la sortie du système respectivement.

La structure de commande est donnée par la figure suivante :

Page
13
Chapitre III Commande adaptative neuronale basée sur un estimateur de l’erreur de
commande

yd

de
êu Z
FIS
⊕
e

xd Le contrôleur u y
Le système non
neuronal linéaire

Figure III.1 Structure de commande adaptative à retour d’état

Le système d’inférence flou délivre le signal d’adaptation êu au contrôleur neuronal.

Ce signal est alors utilisé pour la mise à jour des poids de connexion du réseau. Dans les
paragraphes suivants, nous détaillons la structure et les paramètres de ces deux éléments.

II 1 Les réseaux de neurones

La sortie du réseau de neurones est donnée par

(
u(z) = W T ⋅ S V T ⋅ Z ) (2)

Où V = [v1 , v 2 ,..., vl ] ∈ ℜ ( n +1)×l et W = [w1 , w2 ,..., wl ] ∈ ℜ l

T

Sont les poids du réseau de neurones,

z est le vecteur d’entrée, x = [x1 , x 2 ,..., x n ] est le vecteur d’état du système. La fonction lisse
T

u * peut être approximée comme suit:

⎛ T ⎞
u ∗ ( z ) = Wˆ T ⋅ S ⎜Vˆ ∗ ⋅ Z ⎟ + ε ( z ) ∀z ∈ Ω z ,
∗
(3)
⎜ ⎟
⎝ ⎠
Où ε (z ) est l’erreur d’approximation du réseau de neurones.

Page
14
Chapitre III Commande adaptative neuronale basée sur un estimateur de l’erreur de
commande

La sortie du contrôleur neuronal avec les poids Ŵ et Vˆ peut être écrite sous la forme :
⎛ ⎞
û ( z ) = Wˆ T ⋅ S ⎜⎜Vˆ T ⋅ Z ⎟⎟ (4)
⎝ ⎠
On définit l’erreur de commande :
eu* = uˆ ( z ) − u * ( z ) (5)
Si on veut trouver les poids qui minimisent cette erreur, l’objectif sera
1 * 2
J= ( eu )
2
Les lois de la mise à jour des poids sont obtenues par la dérivation de cette équation par
rapport aux ces poids et en utilisant l’algorithme du gradient avec un pas prédéterminé :
&
( )
Wˆ = − Γ w (eu* ⋅ S Vˆ T ⋅ Z + σ w ⋅ eu* ⋅ Wˆ ) (6)

&
( )
Vˆ = − Γ v (eu* ⋅ Z ⋅ Wˆ T ⋅ S ′ Vˆ T ⋅ Z + σ v ⋅ eu* ⋅ Vˆ ) (7)

( )
Où S ′ Vˆ T ⋅ Z = diag {s1′ , s 2′ ,..., sl′ } et si′ = d [S ( z )] dz z =a , Vˆ T ⋅ Z = [a1 , a 2 ,..., a l ]T
i

Et Γ w = δ w ⋅ I > 0 , Γ v = δ v ⋅ I > 0 sont les taux de mise à jour de eu* l’erreur de commande.

II 2 Le système à inférence floue :

L’erreur de commande eu* n’est connue, un système d’inférence flou (FIS, fuzzy

inférence system), est utilisé pour fournir un estimé êu . Le FIS transforme les informations

relatives à l’historique de l’erreur de poursuite ey(t)=yd(t)-y(t) en une estimé êu qui est

utilisée à la place de eu* . Le composant principal du FIS est la base de règles qui est
composée des règles sous la forme suivante :
Si X1 est Négatif, et X2 est Zéro ….. alors Eu est positif.(par exemple)
Où X1, X2 sont les variables linguistiques associées avec l’erreur de poursuite de la sortie et
sa dérivée, Eu est la variable linguistique associée avec l’erreur de commande estimé ;
Négatif, Zéro, Positif (N, Z, P) sont des valeurs linguistiques associées avec ces variables.
On peut distinguer entre deux bases de règles dépendantes à la direction relative du
signal d’entrée et la sortie.
La base de règles 1: dans le cas où l’entrée et la sortie ont la même direction CAD si l’entrée
augmente (diminue), la sortie aussi augmente (diminue), et une autre base de règles pour les
autres cas.

Page
15
Chapitre III Commande adaptative neuronale basée sur un estimateur de l’erreur de
commande
Le raisonnement heuristique pour générer BR1 et BR2 est comme suit :
¾ Eu est Z: si e(t) et de(t) sont Z, ou quand l’erreur diminue en gardant le même signe
(la sortie se rapproche de la référence de haut ou de bas),
¾ Eu est N: si e(t) est N et de(t)=0, ou de(t)<0 (la sortie se stabilise en un point
supérieur à la référence ou la sortie se diverge de la référence par le haut),
¾ Eu est P: si e(t) est N et de(t)=0, ou de(t)>0 (la sortie se stabilise en un point inférieur
à la référence ou la sortie se diverge de la référence par le bas).
Cette procédure donne une estimée avec un signe correct.
Les deux tableaux suivants résument BR1 et BR2 dans le cas ou les variables sont
fuzzifiées avec trois sous ensembles flous, N, Z et P

e e
de N Z P de N Z P

N N N Z N P P Z

Z N Z P Z P Z N

P Z P P P Z N N

Tableau III.1 BR1 Tableau III.2 BR2

La structure de base de l’estimateur flou est définie par la base de règles RB1 ou RB2. Il
comprend deux entrées floues, l’erreur de sortie et sa variation et une sortie floue, l’estimée de
l’erreur de commande êu . Les trois variables floues prennent trois valeurs linguistiques :
NEGATIVE, ZERO, POSITIVE. Pour définir complètement l’estimateur, il reste à choisir les
fonctions d’appartenance, associés aux valeurs linguistiques et leurs répartitions sur leurs
univers de discours respectifs. Celles-ci sont données par la figure III.2 ou l’on remarque que
les fonctions d’appartenance sont uniformément réparties sur l’univers de discours. Les
paramètres du FIS sont déterminés de façon à obtenir une estimée êu normalisée comme suit:

− 1 < eˆu < +1 (8)

Page
16
Chapitre III Commande adaptative neuronale basée sur un estimateur de l’erreur de
commande
Ceci peut être obtenu par un choix approprié des paramètres c N , c Z et c Z de la figure 3. La
valeur numérique de l’estimée de l’ eu est calculée par la formule de défuzzification du centre
de gravité donnée par :
m

∑c µ k Bk (eˆuk ).
eˆu = k =1
m
(9)
∑µ
k =1
Bk (eˆuk )

où ck est le centre de l’ensemble flou Bk de la sortie. La fonction d’appartenance µ Bk (eˆu ) est

borné par:
0 ≤ µ Bk (eˆu ) ≤ 1 (10)

La valeur de êu peut être contrôlée par le choix des coefficients ck . Les valeurs suivantes:

c N = −1 , c Z = 0 , c P = +1 pour l’erreur de commande, permettent de satisfaire (8). Lorsqu’on

remplace ces valeurs dans (9), on obtient :
− 1 × µ N (eˆu ) + 0 × µ Z (eˆu ) + 1 × µ P (eˆu ) − µ N (eˆu ) + µ P (eˆu )
eˆu = = (11)
µ N (eˆu ) + µ Z (eˆu ) + µ P (eˆu ) µ N (eˆu ) + µ Z (eˆu ) + µ P (eˆu )
où µ N (eˆu ) , µ Z (eˆu ) et µ P (eˆu ) sont les degrés d’appartenance de êu aux ensembles flous
NEGATIF, ZERO ET POSITIVE qui sont calculées à partir des degrés d’appartenance de
l’erreur µ N (e) µ Z (e) µ P (e) et de sa variation µ N (de) µ Z (de) µ P (de) en utilisant le
mécanisme d’inférence du (min, max). I
Les formules suivantes son utilisées pour calculer les degrés d’appartenance:
⎧ 1 if v ≤ c N
⎪⎪ c − v
µ N (v) = ⎨ Z if c N < v ≤ c Z (12)
⎪ c Z − c N
⎪⎩ 0 if v > c Z

⎧ 0 if v ≤ c N
⎪ v − cN
⎪ if c N < v ≤ c Z
⎪ cZ − c N
µ Z (v ) = ⎨ (13)
c −v
⎪ P if c < v < c P
⎪ c p − cZ
⎪⎩ 0 if v ≥ c P

⎧ 0 if v ≤ c Z
⎪⎪ v − c Z
µ P (v) = ⎨ if c Z < v < c P (14)
⎪ c P −c Z
⎪⎩ 1 if v ≥ c P

Page
17
Chapitre III Commande adaptative neuronale basée sur un estimateur de l’erreur de
commande
v représente l’erreur de sortie e y (t ) ou sa variation de y (t ) .

Les paramètres sont donnés par c N = −1 , c Z = 0 , c P = 1 pour e y (t ) et c N = −0.1 , c Z = 0 ,

c P = 0.1 pour de y (t ) .

µ A (v )

NEGATIVE ZERO POSITIVE

1

cN cZ cP

Figure III.2 Les fonctions d’appartenance utilisées dans le FIS

III. Structure de la commande adaptative neuronale à retour de sortie:

III 1 La structure de base

Dans la section précédente, nous avons introduit la structure de commande neuronale
en supposant que les états du système sont disponibles. Ceci n’est généralement pas le cas,
pour cela nous introduisons maintenant une structure à retour de sortie basée sur un
observateur non linéaire. La figure III.3 décrit le schéma de principe de la commande. Dans
ce qui suit nous rappelons brièvement la théorie des observateurs non linéaires à gain élevé.

Page
18
Chapitre III Commande adaptative neuronale basée sur un estimateur de l’erreur de
commande

yd

de
êu ∂
FIS ∂t -
⊕
e

xd Le contrôleur u y
Le système non
neuronal linéaire

x̂ L’observateur de
gain élevé

Figure III.3 Structure de commande adaptative à retour de sortie

III 2 Les observateurs non linéaires:

Dans les systèmes de commande à retour d’état la présence des variables d'états
inconnues et non mesurables devient une difficulté qui peut être maîtrisée avec l'introduction
d'un estimateur d'état approprié. Le développement d’algorithme pour permettre l'estimation a
attiré l'attention de plusieurs chercheurs. Plusieurs techniques ont été introduites pour estimer
les variables d'état en connaissant juste les valeurs mesurables du système. Il existe plusieurs
formes d'estimateur qui peuvent être utilisées dépendant à la structure mathématique du
modèle du processus et l'information du système.
La forme non linéaire de certains processus a nécessité le développement d'observateurs non
linéaire. Ces observateurs sont conçus de sorte qu'ils peuvent prendre en compte la non
linéarité intrinsèque du processus dynamique. Nous considérons ici un modèle d'observateur
appelé l'observateur à gain élevé (high-gain observer) ;
Pour un système non linéaire de la forme générale
x& = f ( x)
(15)
y = h( x )

x ∈ Rn

Page
19
Chapitre III Commande adaptative neuronale basée sur un estimateur de l’erreur de
commande
Supposons que la fonction y(t) et ses n dérivées sont bornées. Considérons le système linéaire
suivant :
εξ&i = ξ i +1
n (16)
εξ n = −∑ bi ⋅ ξ n −i +1 + y (t )
i =1

Où les paramètres b1,…bn sont choisis tel que le polynôme S n + b1 S n −1 + ...bn −1 S + 1 a tous ses
racines strictement dans le demi plan complexe gauche et avec bn=1
Alors il existe des constantes positives hk, k=2,3,…,n, et t* telles que pour tout t>t* on a:
ξ k +1
− y ( k ) = −εψ ( k +1) k=1,…,n-1 (17)
ε k

ξ k +1
− y ( k ) ≤ −εhk +1 k=1,…,n-1 (18)
ε k

n
Avec ε un petit nombre positif, ψ = ∑ bi ⋅ ξ n −i +1
i =1

Et ψ k ≤ hk , ψ k la dérivée d'ordre k de ψ

Alors l’estimé x̂ du vecteur x est donné par :

T
⎡ ξ2 ξ3 ξn ⎤
xˆ = [xˆ1 , xˆ 2 , ... xˆ n ] = ⎢ x1 ,
T
, , ... (19)
⎣ ε ε 2
ε n −1 ⎥⎦

Page
20
 CHAPITRE IV

RESULTATS DE SIMULATION
Chapitre IV Résultats de simulation

Chapitre IV

Résultats de simulation

I Introduction
Dans ce chapitre, nous présentons deux études en simulation du contrôleur neuronal
adaptatif. Le premier exemple représente la commande en mode de poursuite du système
pendule inversé et le deuxième représente un problème de régulation d’un réacteur chimique
Pour les deux exemples on appliquera les deux structures de commande par retour d’état et
retour de sortie.

II les résultats de simulation:

II 1 Exemple 1: le pendule inverse
Le pendule inverse avec une longueur variable l ( x1 ) donnée par:

l ( x1 ) = l 0 + l1 cos( x1 ) , l1 = 0.5l 0 , g/l0=10 , ml 0 = 1 .

2

m
θ

u(t)
M

Figure IV.1 le pendule inverse

Page
21
Chapitre IV Résultats de simulation

Le modèle mathématique non linéaire du pendule est :

x&1 = x 2
(0.5 sin x1 (1 + 0.5 cos x1 ) x 22 − 10 sin x1 (1 + cos x1 )) + u (t ) (1)
x& 2 =
0.25(2 + cos x1 ) 2
x1 et x2 sont respectivement l’angle du pendule avec la normale et la vitesse angulaire. Il y a
deux groupes de paramètres qu’on va choisir pour contrôler ce système, ceux associés avec
l’estimateur flou et les autres associés avec le réseau de neurones. Le FIS peut être construit
tel que décrit dans le troisième chapitre pour fournir un estimé borné de l’erreur de
commande êu . Tous les ensembles flous ont des formes triangulaires uniformément
distribuées dans les univers de discours. Il ne reste qu’à choisir les paramètres du réseau de
neurones.

a) Retour d’état:
Le vecteur d'entrée du réseau de neurones est:
z = [x1 , x&1 m, kes ] est le vecteur d’entrée,
T
(2)

m = λ ( x&1 − y& d ) − y& d

e s = λ ( x1 − y d ) + ( x&1 − y& d )

x1 , x&1 la sortie du système et sa dérivée respectivement.

y d , y& d la sortie désirée et sa dérivée respectivement

et λ=10 K = 5
la fonction d’activation du contrôleur neuronal est choisie comme :
1
f ( x) = (3)
1 + e−x
Les poids initiaux sont pris aléatoirement dan l’intervalle [0,1]
L’objectif de commande est de faire suivre au le pendule le signal de référence yd
y d = (π / 30) sin(t ) pour 0 ≤ t ≤ 25s ,

y d = (π / 60) sin(t ) pour 25s ≤ t ≤ 60 s

yd=0 pour t ≥ 60 s
Dans cette simulation la base de règles BR1 est utilisée pour l’estimateur flou. Les taux
d’apprentissage sont: δ w = δ v = 1 et σ w = σ v = 0.01 .

Page
22
Chapitre IV Résultats de simulation

b) Le retour de sortie
Le réseau de neurones contrôleur est le même que pour le retour d’état avec les mêmes
valeurs de paramètres. Comme il est indiqué dans le paragraphe III.2 du chapitre précédent on
choisit les paramètres de l’observateur non linéaire comme suit : supposons que la sortie y(t)
et ses n dérivées sont bornées et considérons le système linéaire suivant :
εξ&1 = ξ 2
εξ&2 = ξ 3 (4)
εξ 3 = −b1 ⋅ ξ 3 − b2 ⋅ ξ 2 − b3 ⋅ ξ1 + y (t )

les paramètres b1, b2 ,b3 sont choisis tels que le polynôme H = S 3 + b2 S 2 + b3 S + 1 ait toutes
ses racines strictement dans le demi plan complexe gauche. Ici on choisit ces paramètres
comme suit : b1=1, b2= 2, b3=1
Les pôles du polynôme H sont alors dans le demi plan complexe gauche et sont :
P1= -1.7549 P2= -0.1226 + 0.7449 i P2= -0.1226 - 0.7449 i

c) Résultats
Les résultats de simulation pour le pendule inverse sont présentés par les figures IV.2
à IV.6 pour la commande en retour d’état et par les figures IV.7 à IV.12 pour le retour de
sortie.
La figure IV.2 présente la sortie du système, la sortie désirée et l'erreur entre les
deux, on voit bien que la sortie suit la sortie désirée et l'erreur est presque nulle dans
l'intervalle 0 ≤ t ≤ 60 s et elle s'annule après 60s, même pour le cas de contrôleur par retour de
sortie figure IV.7 a poursuite est bien satisfaite est l'erreur est acceptable,
Le signal de commande pour les deux cas, figure IV.3 et figure IV.8 devient lisse
rapidement et il est borné, l'erreur de commande estimée par le FIS et pratiquement nulle soit
pour le cas de contrôleur par retour d'état, figure IV.4 ou par retour de sortie, figure IV.9,
Les poids synaptiques du contrôleur neuronal convergent vers des valeurs constantes
dans les deux cas, figure IV.5 et figure IV.10 et ces constantes dépendent du signal de
référence choisi. Enfin l'erreur filtrée est pratiquement nulle pour le retour d'état, figure IV.6et
acceptable pour le retour de sortie, figure IV.11. La sortie de l’observateur suit bien le signal à
observer, figure IV.12.

Page
23
Chapitre IV Résultats de simulation

(rad)
0.15
x1
0.1 x1d
0.05 e

0
-0.05
-0.1
-0.15
-0.2
0 10 20 30 40 50 60 70 80 temps (s)

Figure IV.2 la position du pendule par retour d'état

(N)
4

-1

-2

-3
0 10 20 30 40 50 60 70 80 temps (s)

Figure IV.3 Le signal de commande de pendule pour le retour d'état

Page
24
Chapitre IV Résultats de simulation

(N)
2.5

1.5

0.5

-0.5

-1
0 10 20 30 40 50 60 70 80 temps (s)

Figure IV.4 L'erreur estimée par le FIS pour le retour d'état

6
W
V
5

1 temps (s)
0 10 20 30 40 50 60 70 80

Figure IV.5 les poids du RN pour le retour d'état

Page
25
Chapitre IV Résultats de simulation

(rad)
2.5

1.5

0.5

-0.5

-1
0 10 20 30 40 50 60 70 80 temps (s)

Figure IV.6 L'erreur filtrée es pour le retour d'état

Page
26
Chapitre IV Résultats de simulation

(rad)
0.15
x1
x1d
0.1 e

0.05

-0.05

-0.1

-0.15

-0.2
0 10 20 30 40 50 60 70 80 temps (s)

Figure IV.7 la position du pendule par retour de sortie

(N)
4

-1

-2

-3 temps (s)
0 10 20 30 40 50 60 70 80

Figure IV. 8 Le signal de commande de pendule pour le retour de sortie

Page
27
Chapitre IV Résultats de simulation

(N)
1

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8
0 10 20 30 40 50 60 70 80 temps (s)

Figure IV.9 L'erreur estimée par le FIS pour le retour de sortie

4.5

3.5
V
3 W
2.5

1.5

0.5

0
0 10 20 30 40 50 60 70 80 temps (s)

Figure IV.10 Les poids du RN pour le retour de sortie

Page
28
Chapitre IV Résultats de simulation

(rad)
0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 10 20 30 40 50 60 70 80 temps (s)

Figure IV.11 L'erreur filtrée par retour de sortie

Les sorties de l’observateur sont montrées dans la figure IV.12
Vitesse angulaire (rad/s)
0.3
ξ2
x2
0.2 e

0.1

-0.1

-0.2

-0.3

-0.4 temps (s)

0 10 20 30 40 50 60 70 80

Figure IV.12 La sortie de l’observateur non linéaire

Page
29
Chapitre IV Résultats de simulation

II 2 Exemple 2: Le CSTR
Le système du CSTR (Continuously Stirred Tank Reactor) consiste en un réacteur de
volume constant. Une réaction exothermique, irréversible A → B se fait dans le réservoir;
L'objectif est de contrôler la concentration d'effluent Ca en manipulant le débit du
refroidissant. Le processus est modélisé par les équations différentielles suivantes:
E
q −
C& a = (C a 0 − C a ) − a 0 C a e RTa
V
(3)
E
⎡ − 2 ⎤
a

Ta = (T f − Ta ) + a1C a e + a3 q c ⎢1 − e qc ⎥ (Tcf − Ta )
q −
RTa

V ⎢⎣ ⎥⎦

Où Ca, Ta sont la concentration et la température du réservoir, respectivement,

Le débit du refroidissant qc est le signal de commande.

Ca0 Tf

Ca Ta

qc Tcf

Figure IV.13 Le CSTR

On définit les variables d'état, l'entrée et la sortie comme suit:

x = [x1 x 2 ] = [C a Ta ]
u = qc
y = Ca
Donc le système peut être écrit sous la forme:

Page
30
Chapitre IV Résultats de simulation

⎡ ⎤
4
10
−
⎢ 1 − x1 − a 0 x1e x2 ⎥
x& = f ( x, u ) = ⎢ 10 4 ⎥
⎢350 − x + a x e − x2 + a u⎛⎜1 − e − u ⎞
a2
⎟(350 − x 2 )⎥
⎢ 2 0 1 3 ⎜ ⎟ ⎥
⎣ ⎝ ⎠ ⎦
y = h( x) = x1

Le tableau suivant nous montre les paramètres du CSTR

paramètre description
q débit du processus 100 mol/l
Ca0 concentration du composant A 1 mol/l
Tf température d'alimentation 350 K
Tcf température du vapeur de 350 K
refroidissement
V Volume du réacteur 100 l
ha Taux de transfert de la 7.105 J/min K
température
a0 Facteur pré exponentiel 7,2.1010 min-1
E/R 2.104cal/mol
a1 1,44.1013
a2 6,987.102
a3 0.01

Tableau IV.1 paramètres du CSTR

a)Retour de d’état :
Pour ce système la base de règles BR2 est utilisée. La fonction d'activation:
1
f ( x) =
1 + e−x
Les taux d'apprentissage: δ w = δ v = 1 et σ w = σ v = 0.01 .
e s = λ ( x1 − y d ) + ( x 2 − y& d ) et λ=10
L'objectif est de faire suivre à la concentration une référence lisse qui change autour du point
de fonctionnent 0.1mol/l La référence yd(t) suit la loi suivante:

Page
31
Chapitre IV Résultats de simulation

yd ( s ) wn2
= 2 avec r(s) prend les valeurs 0.12 et 0.08
r (s) s + 2ζ n wn s + wn2

b) Le retour de sortie

Comme on a fait pour le pendule inverse on choisit les paramètres de l’observateur

non linéaire comme suit
εξ&1 = ξ 2
εξ&2 = ξ 3
εξ 3 = −b1 ⋅ ξ 3 − b2 ⋅ ξ 2 − b3 ⋅ ξ1 + y (t )

Où les paramètres b1, b2 ,b3 sont choisis tel que le polynôme H = S 3 + b2 S 2 + b3 S + 1

ait toutes ses racines strictement dans le demi plan complexe gauche. On choisit alors
b1=1 ; b2=2.5 ; b3=2.8;
Les pôles du polynôme H sont alors :
P1= -1.6573 P2= -0.4214 + 0.6526i P3= -0.4214 - 0.6526i

c) Résultats

La figure IV.14 présente la sortie du système, la sortie désirée et l'erreur entre les
deux. On voit bien que la sortie suit la sortie désirée et l'erreur est presque nulle dans
l'intervalle 0 ≤ t ≤ 60 s et elle s'annule après 60s, même pour le cas de contrôleur par retour de
sortie, figure IV.7 la poursuite est bien satisfaite est l'erreur est acceptable,
Le signal de commande est borné pour les deux cas, figure IV.15 et figure IV.20 et
devient lisse rapidement. L'erreur de commande estimée par le FIS et pratiquement nulle soit
pour le cas de contrôleur par retour d'état, figure IV.16 ou par retour de sortie, figure IV.21.
Les poids synaptiques du contrôleur neuronal convergent vers des valeurs constantes
dans les deux cas, figure IV.17 et figure IV.22. Ces constantes dépendent du signal de
référence choisi. Enfin l'erreur filtrée est pratiquement nulle pour le retour d'état, figure IV.18
et acceptable pour le retour de sortie, figure IV.23. La figure IV.24 montre que la sortie de
l’observateur suit bien le signal à observer.

Page
32
Chapitre IV Résultats de simulation

(mol/l)
0.125

0.12

0.115

0.11

0.105

0.1

0.095

0.09

0.085

0.08

0.075
0 10 20 30 40 50 60 temps (min)

Figure IV.14 concentration d'effluent dans le CSTR par retour d'état

(l/min)
130

120

110

100

90

80

70

60
0 10 20 30 40 50 60 temps (min)

Figure IV.15 Le signal de commande (débit du refroidissant) pour le retour d'état

Page
33
Chapitre IV Résultats de simulation

(l/min)
0.2

0.15

0.1

0.05

-0.05

-0.1

-0.15

-0.2
0 10 20 30 40 50 60 temps (min)

Figure IV.16 L'erreur estimée par le FIS pour le retour d'état

16

14

12

10

0 temps (min)
0 10 20 30 40 50 60

Figure IV.17 Les poids du RN pour le retour d'état

Page
34
Chapitre IV Résultats de simulation

(mol/l)
0.3

0.2

0.1

-0.1

-0.2

-0.3

-0.4
0 10 20 30 40 50 60 temps (min)

Figure IV.18 L'erreur filtrée es pour le retour d'état

Page
35
Chapitre IV Résultats de simulation

(mol/l)
0.125

0.12

0.115

0.11

0.105

0.1

0.095

0.09

0.085

0.08

0.075
0 10 20 30 40 50 60 temps (min)

Figure IV.19 concentration d'effluent dans le CSTR par retour de sortie

(l/min)
(mol/l)
130

120

110

100

90

80

70

60 temps (min)
0 10 20 30 40 50 60

Figure IV.20 Le signal de commande (débit du refroidissant) pour le retour de sortie

Page
36
Chapitre IV Résultats de simulation

(l/min)
0.2

0.15

0.1

0.05

-0.05

-0.1

-0.15

-0.2 temps (min)

0 10 20 30 40 50 60

Figure IV.21 L'erreur estimée par le FIS pour le retour de sortie

16

14

12

10

0 temps (min)
0 10 20 30 40 50 60

Figure IV. 22 Les poids du RN pour le retour de sortie

Page
37
Chapitre IV Résultats de simulation

(mol/l)
0.3

0.2

0.1

-0.1

-0.2

-0.3

-0.4
0 10 20 30 40 50 60 temps (min)

Figure IV.23 L'erreur filtrée es pour le retour de sortie

1
2ξ
x2
0.8 e

0.6

0.4

0.2

-0.2

-0.4
0 10 20 30 40 50 60 temps (min)

Figure IV.24 La sortie de l’observateur non linéaire

Page
38
 CHAPITRE V

CONCLUSION GENERALE
 Chapitre V Conclusion générale

Chapitre V

Conclusion générale

Dans ce travail nous avons analysé un algorithme de commande adaptative neuronale

permettant une adaptation directe des poids du réseau de neurones. L’algorithme est basé sur
la minimisation du signal erreur sur la commande. La fonction à optimiser dépend alors
directement des poids. Le signal de commande idéale ne pouvant être calculé, il est remplacé
par une estimée obtenue par un système d’inférence flou. L’estimée ayant un signe correct,
elle n’influe que sur le pas d’apprentissage. Une étude en simulation da été réalisée pour deux
cas : une commande à retour d’état et une commande à retour de sortie basée sur un
observateur non linéaire à gain élevée. Les résultats de cette étude ont montré les
performances de la méthode pour les deux cas. Une perspective à ce travail qui sera entamée
dans la thèse de doctorat sera d’étudier la stabilité de la méthode pour le cas de systèmes non
linéaires sous forme générale.

Page
39
ANNEXE
 Annexe A

Annexe A

Systèmes d’inférence floue

Les systèmes à logique floue opèrent sur des variables linguistiques au lieu des
variables numériques, ils fournissent un algorithme de conversion d’une stratégie d'inférence
linguistique basée sur l’expertise humaine en une stratégie de contrôle automatique, il est
décrit par un ensemble de règles de contrôle flou du type :
Ri : Si x est Ai et y est Bi1 alors z est Ci
La structure classique d’un système d'inférence floue FIS (Fuzzy Inference system) est

montrée par figure (A.1).

fuzzification Base de defuzzification

connaissances

Figure (A.1). structure classique d’un FIS

Page
40
 Annexe A

Le FIS fonctionne selon trois étapes:

Interface fuzzification
L’interface fuzzification consiste à:
9 Mesurer les valeurs numériques des variables d’entrées,
9 Les projetées dans l’univers de discours en utilisant un facteur d’échelle,
9 Transformer ces valeurs numériques en valeurs linguistiques convenable en utilisant des
fonctions d’appartenances qui servent à subdiviser l’espace d’entrée, univers du discours
en sous ensembles flous.

Base de connaissances
Elle contient les informations du domaine d'application et le but de contrôle, elle est
définie par les deux principales bases suivantes:
base de données: Elle fournit des informations nécessaires utilisées pour
l’exploration des règles d'inférence floue et la manipulation des données dans un FIS.

base de règles: Elle caractérise le but et la politique du contrôle flou via un ensemble de
règles de contrôle flou.

Logique de décision
C’est le noyau du FIS; elle est capable de simuler les décisions humaines basées sur le
concept flou et d’inférer des actions de contrôle flou par l’intervention de l’implication floue
et des règles d’inférence dans la logique floue.

Défuzzification

Elle consiste à:
9 Transformer les valeurs de la sortie comprissent dans l'univers du discours en valeurs
réelles comprissent dans le domaine de variation,
9 Extraire de la sortie de vérité la valeur numérique de la sortie.

Page
41
BIBLIOGRAPHIE
 bibliographie

REFERENCES

[1] Chen F.C. & Lin C.C. (1994). Adaptively controlling nonlinear continuous time systems
using multilayer neural networks. IEEE Transactions on Automatic Control, 39, 1306-1310.
[2] Chen F.C. & Khalil H. K. (1995). Adaptive control of a class of non linear discrete-time
systems using neural networks. IEEE Transactions on Automatic Control, 40, 791-801.
[3] Funahashi, K. L. (1989). On the approximate realization of continuous mapping by neural
netorks. Neural Networks, 2, 183-192.
[4] Ge S. S. , Hang C. C. and Zhang T., A direct method for robust adaptive nonlinear
control with guaranteed transient performance, Systems and Control Letters, 37, (1999), 275-
284;
[5] Ge, S. S. & Wang, J. (2002). Robust adaptive neural control for a class of perturbed strict
feedback nonlinear systems. IEEE Transactions on Neural Network, 13, 1409-1419.
[6] Hornik, K. Stinchombe M. & White H. (1989). Multilayer feedforward networks are
universal approximators. Neural netwoks , 2, 1083-1112.
[7] Isidori A. (1989). Non linear control systems. (2nd edition) Berlin:Springer.
[8] Lewis, F. L., Yesildirek, A. & Liu, K. (1996). Multilayer neural net robot controller with
guaranteed tracking performance. IEEE Transactions on Neural Network, 7, 388-399.
[9] Passino K. M. & Yurkovich, S. (1998). Fuzzy Control. Reading, MA: Addison-Wesley.
[10] Polycarpou, M. M. (1996). Stable adaptive neural control scheme for nonlinear systems.
IEEE Transactions on Automatic Control, 41, 447-451.
[11] Sanner R. M. and Slotine J. E. (1992). Gaussian networks for direct adaptive control.
IEEE Transactions on Neural Networks, 3, 837-863.
[12] Zhang, T. Ge, SS, & Hang, C. C. (1999). Design and performance analysis of a direct
adaptive controller for nonlinear systems. Automatica, 35, 1809-1817.
 Résumé

Dans ce travail nous avons analysé un algorithme de commande adaptative neuronale

permettant une adaptation directe des poids du réseau de neurones. L’algorithme est basé sur
la minimisation du signal erreur sur la commande. Le signal de commande idéale ne pouvant
être calculé, il est remplacé par une estimée obtenue par un système d’inférence flou.
L’estimée ayant un signe correct, elle n’influe que sur le pas d’apprentissage. Une
étude en simulation da été réalisée pour deux cas : une commande à retour d’état et une
commande à retour de sortie basée sur un observateur non linéaire à gain élevée. Les résultats
de cette étude appliquée sur deux systèmes non linéaires le pendule inverse et le CSTR, ont
montré les performances de la méthode pour les deux cas.
 ‫ﻣﻠﺨﺺ‬

‫ﻓﻲ هﺬا اﻟﻌﻤﻞ ﻗﻤﻨﺎ ﺑﺪراﺳﺔ ﺧﻮارزﻣﻴﺔ ﻟﻠﺘﺤﻜﻢ اﻟﺘﻜﻴﻔﻲ اﻟﻤﺴﺘﻨﺪ ﻋﻠﻰ اﻟﺸﺒﻜﺎت اﻟﻌ ﺼﺒﻮﻧﻴﺔ اﻟﺘ ﻲ ﺗ ﺴﻤﺢ‬
‫ وﺣﻴ ﺚ أﻧﻨ ﺎ‬.‫ هﺬﻩ اﻟﺨﻮارزﻣﻴﺔ ﺗﻌﺘﻤﺪ ﻋﻠﻰ ﺗﻘﻠﻴﺺ اﻟﺨﻄﺄ ﻋﻠﻰ إﺷﺎرة اﻟﺘﺤﻜﻢ‬،‫ﻟﻨﺎ ﺑﺎﻟﺘﺤﺪﻳﺚ اﻟﻤﺒﺎﺷﺮ ﻟﻠﻤﻌﺎﻣﻼت‬
‫ﻻ ﻧﺴﺘﻄﻴﻊ ﺣﺴﺎب إﺷﺎرة اﻟﺘﺤﻜﻢ اﻟﻤﺜﺎﻟﻴﺔ ﻓﺈن اﻟﺨﻄﺄ ﻋﻠﻰ إﺷﺎرة اﻟﺘﺤﻜﻢ ﻳﻘﺪر ﻓﻘﻂ ﻋﻦ ﻃﺮﻳﻖ ﻧﻈﺎم ﻳﻌﺘﻤﺪ ﻋﻠ ﻰ‬
.‫اﻟﻤﻨﻄﻖ اﻟﻤﺒﻬﻢ‬
‫ ﺗﻢ ﺗﺤﻘﻴﻖ ﻣﺤﺎآﺎة ﻣﻦ أﺟﻞ‬.‫ﺣﺎﻣﻼ ﻹﺷﺎرة ﺻﺤﻴﺤﺔ ﻓﺈن اﻟﺨﻄﺄ اﻟﻤﻘﺪر ﻻ ﻳﺆﺛﺮ إﻻ ﻋﻠﻰ ﺧﻄﻮة اﻟﺘﻤﺮن‬
‫ واﻟﺜﺎﻧﻴ ﺔ ﻋﻠ ﻰ رﺟ ﻮع ﻣﺨ ﺎرج اﻟﻨﻈ ﺎم ﻣ ﻊ ﻣﻼﺣ ﻆ‬،‫ اﻷوﻟﻰ ﺗﻌﺘﻤﺪ ﻋﻠﻰ رﺟ ﻮع ﺣ ﺎﻻت اﻟﻨﻈ ﺎم‬:‫ﺣﺎﻟﺘﻴﻦ ﻟﻠﺘﺤﻜﻢ‬
‫ ﻧﺘ ﺎﺋﺞ اﻟﺪراﺳ ﺔ اﻟﻤﻄﺒﻘ ﺔ ﻋﻠ ﻰ ﻧﻈ ﺎﻣﻴﻦ ﻏﻴ ﺮ ﺧﻄﻴ ﻴﻦ هﻤ ﺎ اﻟﻨ ﻮاس اﻟﻤﻌﻜ ﻮس‬.‫ﻏﻴ ﺮ ﺧﻄ ﻲ ذي ﻣﻌﺎﻣ ﻞ آﺒﻴ ﺮ‬
.‫ أﺛﺒﺘﺖ ﻓﺎﻋﻠﻴﺔ اﻟﻄﺮﻳﻘﺔ اﻟﻤﺘﺒﻌﺔ ﻟﻠﺘﺤﻜﻢ‬CSTR ‫واﻟﻤﻔﺎﻋﻞ اﻟﻜﻴﻤﻴﺎﺋﻲ‬

Abstract

In this work we have analyzed an output feedback adaptive neural control allowing
direct update of neural network weights. This algorithm is based on control error
minimization. The ideal control signal cannot be calculated, so the error control is estimated
by a fuzzy inference system. The estimate having the correct sign, it influences only the
leaning rate. A simulation study is carried out for two cases: a state feedback control and
output feedback control based on a nonlinear high gain observer. We applied this approach to
two nonlinear systems the inverted pendulum and a CSTR (Continuously Stirred Tank
Reactor). The results of simulation showed the performances of the strategy in the two cases.
.